Proses dan Hasil Analisis Data
4.2. Proses dan Hasil Analisis Data
4.2.1 Pemilihan Matriks Input dan Teknik Estimasi
Matriks input yang dapat digunakan adalah korelasi atau kovarians. Karena yang diuji adalah hubungan kausalitas, maka input yang lebih tepat digunakan dalam
Tabel 4.2 Sample Covarians – Estimates
X14 X13 X10 X12 X11 X1 X2 X3 X7 X8 X9 X4 X5 X6 X14 3.82 2.459 2.174 1.739 1.832 1.725 1.549 1.97 2.295 1.829 1.778 1.227 1.097 1.052 X13 2.459 3.398 1.787 1.548 1.763 1.89 1.308 1.819 1.8 1.388 1.157 1.513 1.075 1.354 X10 2.174 1.787 3.678 1.764 1.566 1.227 1.317 1.674 2.3 2.117 2.254 1.026 1.078 1.275 X12 1.739 1.548 1.764 2.988 1.619 1.257 1.018 1.669 1.808 1.438 1.181 1.317 1.009 0.901 X11 1.832 1.763 1.566 1.619 3.204 1.881 1.613 1.772 1.695 1.183 1.316 1.069 0.665 1.286 X1 1.725 1.89 1.227 1.257 1.881 3.712 2.34 2.745 1.585 1.3 0.909 0.986 0.546 1.099 X2 1.549 1.308 1.317 1.018 1.613 2.34 3.318 2.589 1.55 1.258 1.277 0.913 0.545 0.694
X3 1.97 1.819 1.674 1.669 1.772 2.745 2.589 4.92 1.915 1.339 1.328 1.207 0.437 1.092
X7 2.295 1.8 2.3 1.808 1.695 1.585 1.55 1.915 4.408 2.12 1.755 0.773 0.462 1.153 X8 1.829 1.388 2.117 1.438 1.183 1.3 1.258 1.339 2.12 3.538 1.277 0.953 0.745 1.044 X9 1.778 1.157 2.254 1.181 1.316 0.909 1.277 1.328 1.755 1.277 3.484 0.981 0.725 1.044 X4 1.227 1.513 1.026 1.317 1.069 0.986 0.913 1.207 0.773 0.953 0.981 3.301 1.888 1.519 X5 1.097 1.075 1.078 1.009 0.665 0.546 0.545 0.437 0.462 0.745 0.725 1.888 3.553 2.424 X6 1.052 1.354 1.275 0.901 1.286 1.099 0.694 1.092 1.153 1.044 1.044 1.519 2.424 4.398 Sumber: Data yang dianalisis dalam penelitian ini, 2006
Teknik estimasi yang digunakan dalam penelitian ini adalah maximum likelihood estimation method. Dan seperti yang telah dijelaskan di atas, Confirmatory Factor Analysis merupakan tahapan awal dalam analisis, kemudian Full Model of Structural Equation Modelling (SEM) menjadi tahapan utama yang menghasilkan temuan dalam analisis penelitian.
4.2.2. Analisis Faktor Konfirmatori
Analisis faktor konfirmatori akan menjelaskan pengukuran atas dimensi- dimensi yang membentuk variabel laten dalam model penelitian. Variabel laten yang
Gambar 4.1
Analisis Faktor Konfirmatori Variabel-Variabel Eksogen
Uji Kelayakan Model
e1 X1 .82
.71 X6 e6 Chi-Square=13.241
Probability=.104
CMINDF=1.655
e2 X2 KEWIRAUSAHAAN
ORIENTASI
KOMPETENSI
PENGETAHUAN
X5 e5 AGFI=.899
PEMASARAN
GFI=.962 TLI=.954
CFI=.975
e3 X3 X4 e4
RMSEA=.081
Sumber: Data yang dianalisis dalam penelitian ini, 2006
Tabel 4.3 Hasil Pengujian Kelayakan Model
Pada Analisis Faktor Konfirmatori Variabel-Variabel Eksogen
Goodness of Fit Index
Cut of Value
Hasil Olah Data
Evaluasi Model
Chi-Square
Baik
Probability
≥ 0,05
GFI
≥ 0,90
AGFI
Marjinal
TLI
≥ 0,95
Baik
CFI
CMINDF
≤ 2,00
RMSEA
≤ 0,08
Marjinal
Sumber : data yang dikembangkan dalam penelitian ini, 2006
Gambar 4.2
Analisis Faktor Konfirmatori Variabel-Variabel Endogen
e1 1 Uji Kelayakan Model Chi-Square=22.936
Probability=.240
e8 X8 X12
e12
CMINDF=1.207
KAPABILITAS
KINERJA PEMASARAN
AGFI=.901
GFI=.948
TLI=.983
CFI=.988
RMSEA=.046
Sumber : data yang dikembangkan dalam penelitian ini, 2006
Tabel 4.4 Hasil Pengujian Kelayakan Model
Pada Analisis Faktor Konfirmatori Variabel-Variabel Endogen
Goodness of Fit Index
Cut of Value
Hasil Olah Data
Evaluasi Model
Chi-Square
Baik
Probability
≥ 0,05
GFI
≥ 0,90
AGFI
TLI
≥ 0,95
CFI
CMINDF
≤ 2,00
RMSEA
≤ 0,08
Sumber : data yang dikembangkan dalam penelitian ini, 2006
Tabel 4.5 Regression Weight Pada Analisis Faktor Konfirmatori
Estimate S.E. C.R. P
X6 <-- KOMP_PENGET_PEMASARAN 0.706 X5 <-- KOMP_PENGET_PEMASARAN 0.854 0.188 5.791 0 X4 <-- KOMP_PENGET_PEMASARAN 0.636 0.148 5.285 0 X3 <-- ORIENTASI_KEWIRAUSAHAAN 0.784 X2 <-- ORIENTASI_KEWIRAUSAHAAN 0.814 0.11 7.731 0 X1 <-- ORIENTASI_KEWIRAUSAHAAN
X9 <-- KAPABILITAS_PEMASARAN
X8 <-- KAPABILITAS_PEMASARAN
X7 <-- KAPABILITAS_PEMASARAN
X11 <-- KINERJA_PEMASARAN
X12 <-- KINERJA_PEMASARAN
X10 <-- KAPABILITAS_PEMASARAN
X13 <-- KINERJA_PEMASARAN
X14 <-- KINERJA_PEMASARAN
Sumber : data yang dikembangkan dalam penelitian ini, 2006
Hasil pengolahan dan analisis data menunjukkan bahwa semua konstruk yang digunakan untuk membentuk sebuah model penelitian telah memenuhi kriteria
Kemudian hasil pengolahan di atas juga menunjukkan bahwa setiap indikator atau dimensi pembentuk masing-masing variabel laten menunjukkan hasil baik, yaitu nilai CR yang di atas 1,96 dengan P yang lebih kecil dari 0,05. Maka, dapat disimpulkan bahwa indikator-indikator pembentuk variabel laten telah menunjukkan unidimensionalitas. Dengan merujuk hasil analisis faktor konfirmatori ini, maka model penelitian dapat digunakan untuk analisis selanjutnya tanpa modifikasi atau penyeseuaian-penyesuaian.
4.2.3. Analisis Structural Equation Modelling
Structural Equation Modelling (SEM) model penuh (full model) meliputi uji kesesuaian dan uji statistik. Hasil pengolahan data untuk analisis model penuh SEM ditampilkan pada gambar 4.3, uji kelayakan model (good of fit) pada Tabel 4.6, dan hasil uji bobot regresi (regression weight) pada Tabel 4.7 di bawah ini.
Gambar 4.3 Hasil Pengujian Structural Equation Modelling
Uji Kelayakan Model
e2 X2 KEWIRAUSAHAAN ORIENTASI
RMSEA=.049 .70 X11
e5 X5 PENGETAHUAN .71 PEMASARAN
e6 X6
Sumber : data yang dikembangkan dalam penelitian ini, 2006
Uji kesesuaian dilakukan untuk mengetahui indeks kesesuaian (fix index) atas proporsi tertimbang dari varian dalam matriks kovarian sampel. Dari hasil pengolahan data atas model yang dikembangkan didapatkan nilai goodness of fit (GFI) sebesar 0,900. Adapun nilai GFI ini merupakan ukuran non statistikal yang mempunyai nilai rentang antara 0 (poor fit) sampai dengan 1 (perfect fit). Hasil penelitian ini termasuk ke dalam kategori better fit.
Untuk menguji lebih lanjut nilai GFI, fit index di atas selanjutnya di-adjust terhadap degrees of freedom yang tersedia. Hasil dari pengolahan data adjusted
Hasil uji kesesuaian dari model di atas juga memenuhi kriteria Chi-Square, probability, TLI, CFI, CMINDF, dan RMSEA yang berada di bawah cut of value yang telah ditentukan. Secara umum model penelitian memiliki tingkat goodness of fit yang dapat diterima. Dan fakta tersebut memiliki arti bahwa model menunjukkan hasil uji yang baik pada model penuh. Secara ringkas, hasil uji kesesuaian mdel penelitian tampak pada tabel 4.6 di bawah ini.
Tabel 4.6 Evaluasi Kriteria Goodness of Fit
Goodness of Fit Index
Cut of Value
Hasil Model
Evaluasi Model
Chi-Square
Baik
Probability
≥ 0,05
GFI
≥ 0,90
AGFI
≥ 0,95
Marjinal
TLI
Baik
CFI
CMINDF
≤ 2,00
RMSEA
≤ 0,08
Sumber : data yang dikembangkan dalam penelitian ini, 2006
Untuk uji statistik, hubungan antar variabel yang menjadi dasar dalam hipotesis penelitian telah diajukan. Uji statistik hasil pengolahan dengan SEM dilakukan dengan melihat tingkat signifikansi hubungan antar variabel yang tampak dari nilai P dan CR masing-masing hubungan antar variabel. Untuk proses pengujian statistik regression weight tampak pada tabel 4.7 berikut ini.
Tabel 4.7 Regression Weights
Estimate S.E. C.R. P
KAP_PEM <-- KOM_PENG_PEM 0.281 0.1 2.331 0.02 KAP_PEM <-- ORI_KEW
KIN_PEM <-- ORI_KEW
KIN_PEM <-- KOM_PENG_PEM 0.186 0.099 1.994 0.046 KIN_PEM <-- KAP_PEM
X6 <-- KOM_PENG_PEM 0.710 X5 <-- KOM_PENG_PEM 0.826 0.165 6.336 0 X4 <-- KOM_PENG_PEM 0.661 0.153 5.286 0 X9 <-- KAP_PEM
X8 <-- KAP_PEM 0.681 0.181 5.694 0 X7 <-- KAP_PEM 0.720 0.205 5.941 0 X3 <-- ORI_KEW
X2 <-- ORI_KEW 0.798 0.103 8.037 0 X1 <-- ORI_KEW 0.829 0.113 8.087 0 X11 <-- KIN_PEM
X12 <-- KIN_PEM
X10 <-- KAP_PEM
X13 <-- KIN_PEM
X14 <-- KIN_PEM
Sumber : data yang dikembangkan dalam penelitian ini, 2006
Tampak dalam tabel 4.7 di atas bahwa keseluruhan hipotesis yang diajukan dalam penelitian ini terbukti signifikan. Variabel kapabilitas pemasaran memiliki efek positif terbesar terhadap kinerja pemasaran dengan nilai rasio kritis 4,027. Diikuti kemudian dengan efek orientasi kewirausahaan terhadap kapabilitas pemasaran dengan nilai rasio kritis 3,883. Urutan berikutnya adalah efek positif orientasi kewirausahaan terhadap kinerja pemasaran dengan nilai rasio kritis sebesar 3.268, kemudian kompetensi pengetahuan pemasaran terhadap kapabilitas pemasaran
4.2.4. Proses Identifikasi
Dengan melakukan pemrosesan model penelitian maka akan diketahui bahwa standard error, varians error, serta korelasi antar koefisien estimasi berada dalam rentang nilai yang tidak menunjukkan adanya problem identifikasi. Munculnya problem identifikasi ini dapat muncul karena beberapa kondisi, diantaranya adalah sebagai berikut:
a. Adanya standard error dengan nilai yang sangat besar.
b. Adanya angka yang aneh seperti nilai varians error negatif
c. Korelasi antar koefisien estimasi yang sangat tinggi, yakni di atas 0,90. Problem identifikasi seperti di atas relatif tidak terjadi (ditemukan) dalam
penelitian ini.
4.2.5. Evaluasi atas asumsi-asumsi SEM
Proses permodelan dalam SEM menuntut terpenuhinya beberapa asumsi, baik pada proses pengumpulan data maupun pada proses pengolahannya. Berikut ini disajikan beberapa bahasan tentang asumsi dan hasil pengolahan data yang menggunakan program AMOS 4.01.
4.2.5.1. Evaluasi Outlier Univariate
Pengujian tentang ada tidaknya outlier univariate dilakukan dengan menganalisis nilai z score dari data penelitian yang digunakan. Apabila terdapat nilai z score yang berada pada rentang 3 sampai dengan 4, maka hal ini berarti termasuk dalam kategori outlier (Hair et al, 1995 dalam Ferdinand, 2002). Hasil pengolahan data untuk pengujian ada tidaknya outlier dapat dilihat dalam tabel 4.8 di bawah ini.
Tabel 4.8 Statistik Deskriptif
N Minimum Maximum Mean Std. Dev Zscore(X1) 100 -2.19988 1.93135 -3.4000580E-16 1.000000 Zscore(X2) 100 -2.20666 2.16296 4.414871E-16 1.000000 Zscore(X3) 100 -2.25194 1.78540 -1.9949320E-16 1.000000 Zscore(X4) 100 -2.55744 1.82361 -4.3021142E-16 1.000000 Zscore(X5) 100 -2.44396 1.77887 1.037365E-15 1.000000 Zscore(X6) 100 -2.55731 1.71278 1.804112E-16 1.000000 Zscore(X7) 100 -2.48817 1.77727 7.736867E-16 1.000000 Zscore(X8) 100 -2.13696 2.09464 -1.5612511E-17 1.000000 Zscore(X9) 100 -2.44157 1.82318 9.289444E-16 1.000000
Zscore(X10) 100 -2.24140 1.90934 -6.5225603E-16 1.000000 Zscore(X11) 100 -2.45709 1.99013 -1.4311469E-15 1.000000 Zscore(X12) 100 -2.33141 2.27384 -4.1980308E-16 1.000000 Zscore(X13) 100 -2.18053 2.13735 4.839878E-16 1.000000 Zscore(X14) 100 -2.55571 2.02624 -6.9920198E-16 1.000000
Valid N (listwise) 100 Sumber : data yang dikembangkan dalam penelitian ini, 2006
4.2.5.2. Evaluasi Outlier Multivariate
Outlier pada tingkat multivariate dapat dilihat dari jarak mahalanobis (mahalanobis distance). Perhitungan jarak mahalanobis bisa dilakukan dengan menggunakan program AMOS 4.01. Dari hasil pengolahan data telah diketahui
Dalam analisis ini, bila outlier ditemukan maka data tersebut tidak dihilangkan dari analisis selanjutnya, karena tidak terdapat alasan khusus dari profil responden yang mengharuskannya keluar dari proses analisis.
4.2.5.3. Uji Normalitas Data
Tingkat normalitas data dalam penelitian juga harus diuji. Hal ini merupakan persyaratan operasi SEM, terutama bila diestimasi dengan menggunakan Maximum
Likelihood Estimation Technique. Pengujian ini dilakukan dengan dasar nilai skewness data yang digunakan. Asumsi normalitas akan ditolak bila nilai z lebih besar nilai kritis (± 1,96) pada tingkat signifikansi 0,05 (5 ). Uji normalitas dalam penelitian ini dilakukan dengan memberikan perintah test for normality and outliers, dengan hasil pengolahan (output) tampak pada tabel 4.9 di bawah ini.
Tabel 4.9 Assesment of Normality
min max skew c.r. kurtosis c.r. X14 1 10 0.189 0.772 -0.452 -0.922 X13 2 10 0.219 0.894 -0.681 -1.389 X10 2 10 -0.094 -0.384 -0.492 -1.004 X12 2 10 0.167 0.681 -0.175 -0.357 X11 2 10 -0.079 -0.321 -0.218 -0.444
X1 2 10 0.241 0.986 -0.815 -1.664 X2 2 10 0.209 0.852 -0.159 -0.324 X3 1 10 0.079 0.324 -0.574 -1.171 X7 1 10 -0.021 -0.084 -0.51 -1.042 X8 2 10 0.249 1.015 -0.633 -1.291 X9 2 10 -0.061 -0.249 -0.607 -1.24 X4 2 10 -0.284 -1.161 -0.34 -0.694 X5 2 10 -0.256 -1.046 -0.623 -1.271 X6 1 10 -0.197 -0.803 -0.594 -1.212
Multivariate 12.452 1.941 Sumber : data yang dikembangkan dalam penelitian ini, 2006
Dari tabel di atas dapat disimpulkan bahwa tidak ada angka pada kolom CR yang lebih besar dari nilai kristis ± 1,96 dengan α=5 . Oleh karena itu, tidak terdapat bukti bahwa distribusi data ini tidak normal.
4.2.5.4. Evaluasi atas Multikolinearitas dan Singularitas
Indikasi adanya multikolinearitas dan singularitas dapat diketahui melalui nilai determinan matriks kovarian yang benar-benar kecil, atau mendekati nol. Dari hasil pengolahan data nilai determinan matriks kovarians sampel didapatkan hasil sebagai berikut :
Determinant of Sample Covariance Matrix = 5.7345e+004 Melihat nilai determinan matriks kovarians sampel yang jauh dari nilai nol,
maka dapat disimpulkan bahwa data penelitian ini terbebas dari multikolinearitas dan singularitas.
4.2.6. Tahap Interpretasi dan Modifikasi Model
Untuk menilai sebuah model penelitian sehingga dapat dikatakan baik, maka nilai Standardized Residual Covariance yang kecil harus terpenuhi. Nilai ± 2,58 merupakan batas nilai Standardized Residual Covariance yang disyaratkan (Ferdinand, 2002). Hasil pengolahan data untuk analisis model penelitian tampak dalam tabel 4.10 di bawah ini.
Tabel 4.10 Standardized Residual Covariance
X14 X13 X10 X12 X11 X1 X2 X3 X7 X8 X9 X4 X5 X6 X14 0 0.521 0.03 -0.3 -0.362 -0.322 -0.363 -0.154 0.617 0.308 0.312 0.529 -0.606 -0.521 X13 0.521 0 -0.402 -0.35 -0.059 0.532 -0.593 -0.057 -0.037 -0.392 -0.889 1.67 -0.356 0.497 X10 0.03 -0.402 0 0.395 -0.412 -0.754 -0.198 -0.014 -0.328 0.09 0.574 0.456 -0.102 0.496 X12 -0.3 -0.35 0.395 0 0.401 -0.375 -0.731 0.335 0.764 0.463 -0.162 1.678 0.024 -0.147 X11 -0.362 -0.059 -0.412 0.401 0 1.048 0.738 0.325 0.217 -0.484 -0.008 0.731 -1.128 0.683
X1 -0.322 0.532 -0.754 -0.375 1.048 0 0.043 -0.112 0.373 0.243 -0.686 1.025 -0.69 0.799 X2 -0.363 -0.593 -0.198 -0.731 0.738 0.043 0 0.082 0.626 0.445 0.592 1.035 -0.529 -0.012 X3 -0.154 -0.057 -0.014 0.335 0.325 -0.112 0.082 0 0.71 0.032 0.099 1.28 -1.038 0.522 X7 0.617 -0.037 -0.328 0.764 0.217 0.373 0.626 0.71 0 0.416 -0.282 -0.075 -1.405 0.349 X8 0.308 -0.392 0.09 0.463 -0.484 0.243 0.445 0.032 0.416 0 -0.811 0.783 -0.371 0.499 X9 0.312 -0.889 0.574 -0.162 -0.008 -0.686 0.592 0.099 -0.282 -0.811 0 0.929 -0.358 0.565 X4 0.529 1.67 0.456 1.678 0.731 1.025 1.035 1.28 -0.075 0.783 0.929 0 0.048 -0.632 X5 -0.606 -0.356 -0.102 0.024 -1.128 -0.69 -0.529 -1.038 -1.405 -0.371 -0.358 0.048 0 0.232 X6 -0.521 0.497 0.496 -0.147 0.683 0.799 -0.012 0.522 0.349 0.499 0.565 -0.632 0.232 0
Sumber : data yang dikembangkan dalam penelitian ini, 2006